Scribe v3 e Scribe v3 Live: due nuovi modelli per audio complessi
ElevenLabs ha presentato due nuovi modelli di speech‑to‑text, Scribe v3 e Scribe v3 Live, progettati per gestire situazioni audio difficili, come sovrapposizioni di voci e rumore di fondo. Scribe v3 è destinato a file audio pre‑registrati, mentre Scribe v3 Live è ottimizzato per applicazioni in tempo reale a bassa latenza.
Entrambi i modelli sono già disponibili tramite l'ElevenAPI e la piattaforma ElevenAgents, consentendo a sviluppatori e imprese di integrarli facilmente nei propri flussi di lavoro.
Miglioramenti chiave rispetto alla versione precedente
- Riduzione degli errori di parola di circa il 25 % su 102 lingue.
- Migliorata la precisione in tedesco e in altre lingue rare.
- Speaker diarization più affidabile in conversazioni con più partecipanti.
- Supporto a termini specialistici pre‑caricati, formattazione personalizzata di numeri e date.
- Modalità multilingue per cambi di lingua all’interno della stessa frase.
Prestazioni e benchmark: precisione al top, ma con limitazioni
I benchmark indipendenti di Artificial Analysis collocano Scribe v3 tra i modelli più accurati sul mercato, superando concorrenti come Microsoft, Mistral, xAI, Google e OpenAI, e rimanendo dietro solo a un modello preview di Alibaba.
Tuttavia, la massima precisione ha un prezzo: il modello è più lento e più costoso, con un prezzo di riferimento di 3,33 $ per 1.000 minuti di audio. Le soluzioni di Microsoft e xAI offrono velocità significativamente maggiori a costi quasi dimezzati, risultando più adatte a chi necessita di elaborare grandi volumi rapidamente.
È importante notare che i benchmark valutano solo gli errori di parola su file registrati, senza tenere conto dei miglioramenti nella diarizzazione, nella gestione delle lingue rare o nel comportamento in tempo reale di Scribe v3 Live.
Vantaggi specifici di Scribe v3 Live
Scribe v3 Live è pensato per risolvere un problema comune nei sistemi di agenti vocali: l’interruzione prematura delle chiamate quando l’utente fa una breve pausa. Il modello analizza sia il segnale audio sia il contesto conversazionale per determinare se l’oratore ha davvero terminato la frase.
Questo approccio riduce le frustrazioni degli utenti, migliorando l’esperienza complessiva dei servizi di assistenza telefonica e dei chatbot vocali.
Controllo avanzato per gli sviluppatori
ElevenLabs offre agli sviluppatori una maggiore flessibilità nella gestione delle trascrizioni. È possibile:
- Caricare migliaia di termini specialistici (brand, farmaci, ecc.) per evitare errori di riconoscimento.
- Definire regole di formattazione per numeri, date e unità di misura.
- Attivare la modalità multilingue per gestire cambi di lingua in tempo reale.
- Utilizzare server isolati nell’UE e una modalità “zero‑retention” che elimina i dati subito dopo la richiesta.
Espansione dell’offerta enterprise
Parallelamente al lancio dei nuovi modelli, ElevenLabs sta potenziando le partnership aziendali. Con Nvidia l’azienda sta integrando il modello linguistico open Nemotron 3.5 Super VL in ElevenAgents, aumentando la capacità di calcolo e abilitando il controllo vocale locale per robot.
Un altro sviluppo importante è l’alleanza con McKinsey, che include un programma di partnership più ampio per integratori di sistemi e un marketplace dove aziende come Salesforce, IBM e Zendesk propongono agenti vocali preconfigurati.
Queste collaborazioni mirano a posizionare ElevenLabs come fornitore chiave per soluzioni vocali avanzate in settori come la sanità, con un agente telefonico già in uso nel sistema sanitario pubblico polacco.